一种基于时空深度神经网络的低质量分布式大地电磁数据重建方法

《Journal of Applied Geophysics》：A spatiotemporal deep neural network approach for reconstruction of low-quality distributed magnetotelluric data

　　

• •
  提出了一种用于低质量MT数据重构的时空深度学习方法。
• •
  时频特征融合提高了MT信号重构的可靠性。
• •
  联合利用分布式台站数据以增强数据一致性和完整性。
• •
  剪枝粒子群优化（Prune-PSO）策略加速了参数优化并降低了模型复杂度。
• •
  野外MT数据验证了视电阻率连续性的改善及可用低频段的扩展。

引言

分布式磁 Tellurics（MT）是探测深部地球结构的基础方法，在地质调查、资源勘探和灾害防治中具有广泛应用（Arafa-Hamed et al., 2023）。近年来，其部署规模迅速扩大（Nurhasan et al., 2024; Zhao et al., 2008; Guo et al., 2020）。2018年，Rubóczki等人利用一台40台的长周期台阵横跨潘诺尼亚盆地，研究了喀尔巴阡-潘诺尼亚区域的岩石圈结构（Rubóczki et al., 2024）。2021年，He等人提出了一种分布式电磁勘探方案，其中采集终端可根据现场条件独立调整参数；该方法已成功应用于齐河-禹城地区的深部铁矿勘探（Yang et al., 2022）。因此，分布式MT已成为电法和电磁法勘探中不可或缺的工具。

尽管分布式MT具有诸多优势，其测量仍易受数据质量问题的影响。严重的通道噪声可通过识别并排除异常时段来部分缓解，从而降低其对视电阻率估算的影响。然而，丢弃数据仍会降低低频信息的准确性和完整性。此外，实际操作中常因仪器故障或通信中断导致数据丢失，因此需要更有效的策略来保障数据完整性（Dong et al., 2020; Ye et al., 2021）。

早期的重构方法通常依赖于干净或无噪声的参考时间序列，这限制了其在复杂野外环境中的适用性（Dai and Milenkovic, 2009; Wang et al., 2019; Autio and Smirnov, 2020; Sun et al., 2023）。近期研究越来越多地探索基于数据驱动的方法来进行MT数据重构和质量改善。深度学习方法架构，如时间卷积网络及其他基于神经网络的框架，在缺失数据处理、抑制退化效应以及从MT观测中提取复杂非线性特征方面展现了强大的能力（Tang, 2024; Smirnov and Egbert, 2012; Yuan et al., 2022; Wu et al., 2026; Li et al., 2020）。然而，大多数现有研究主要关注单个台站的时间信息，对分布式台站之间的空间相关性利用仍不充分。

然而，深度网络在MT数据重构中的性能对架构选择和超参数设置非常敏感。次优配置会降低收敛速度、准确性和稳定性（Cui et al., 2020）。在高维参数空间中进行人工或经验性调参效率低下，且往往无法在复杂电磁环境中保证鲁棒性。因此，在保持高质量重构的同时实现高效、稳定的参数优化，仍是深度学习在分布式MT处理中应用的关键挑战。

为了解决上述问题，本文提出了一种时空深度神经网络用于重构低质量分布式MT数据，并结合剪枝粒子群优化（Prune-PSO）算法。该框架通过融合CNN、BiLSTM和Transformer注意力机制的混合架构，整合时域和频域信息，实现对受损或缺失数据的跨台站协同重构。通过利用台站间和时间步之间的互补信息，该方法保留了观测的时空完整性，减少了信息丢失，并为后续MT反演提供了高质量输入。

章节摘要

时空深度神经网络模型

为了准确、鲁棒地重构低质量分布式MT数据，我们设计了一种由四个主要模块组成的时空深度神经网络：时频融合层、跨台站特征提取层、时间关系学习层和注意力机制层。图1展示了整体架构。CNN模块从融合输入中提取跨台站局部特征，而时间层使用BiLSTM捕捉双向依赖关系。该

基于Prune-PSO的参数优化

尽管CNN-BiLSTM-Transformer混合架构提高了重构精度，但其复杂度增加了过拟合的风险，并且需要精细的超参数调优。此外，不同组件的参数之间存在相互依赖关系。例如，Transformer的前馈维度必须是BiLSTM隐藏维度（双向输出）的两倍，注意力头的数量必须是前馈维数的整数因子。穷举式人工调参

基于IMAGE数据集的参数优化、模型训练与消融实验

所提出的模型使用欧洲FP7 IMAGE框架下CSEM/MT调查的同步MT台阵数据进行了验证，该数据集由开源Razorback项目提供。数据集包含四个MT台站——site002、site004、site006和site009——在特定时间段内记录的电磁场观测数据。每个台站包含五个分量（即 $E_x$、$E_y$、$H_x$、$H_y$ 和 $H_z$）的时间序列数据，采样率为128 Hz（Sma?

结论

本研究提出了一种用于重构低质量分布式MT数据的时空深度神经网络方法。该方法首先通过快速傅里叶变换（FFT）将时域信号转换为频域，并拼接时域和频域特征。采用CNN提取跨台站局部特征，采用BiLSTM捕捉时间序列中的依赖关系，利用Transformer注意力机制整合全局特征。

在优化阶段，Prune-PSO

CRediT作者贡献声明

刘长生：资源、资金获取、数据整理。王合然：初稿撰写、软件。孙才堂：审阅与编辑、方法论。

利益冲突声明

作者声明不存在可能影响本文所报告工作的已知经济利益或个人关系。

致谢

本研究得到中国国家重点研发计划（项目编号：2023YFB3905002）的资助。

刘长生 | 王合然 | 孙才堂